xBD

该数据集名为xBD，包含了来自全球各地的多种灾害事件，这为评估深度学习模型在建筑损害评估方面的性能提供了可能。此外，该数据集还用于评估模型在不同灾害类型和空间分辨率下的性能表现和泛化能力。其任务是对建筑损害进行分类和检测。

This dataset, designated as xBD, encompasses diverse disaster events from across the globe, facilitating the evaluation of deep learning models' performance in building damage assessment. Furthermore, this dataset is employed to assess a model's performance and generalization ability across varying disaster types and spatial resolutions. The core task of this dataset is to classify and detect building damage.

搜集汇总

数据集介绍

构建方式

在卫星遥感与灾害评估领域，xBD数据集的构建体现了严谨的科学流程。该数据集通过Maxar/DigitalGlobe开放数据计划获取了19次自然灾害事件的高分辨率卫星影像，覆盖全球多样地理区域。构建过程采用多阶段标注策略：首先对灾后影像进行区域筛选，确定包含损毁的建筑区域；随后在灾前影像中手动绘制建筑多边形轮廓；接着将这些多边形叠加至匹配的灾后影像上，依据联合损毁等级对建筑损伤程度进行四类标注。标注工作由专业团队完成，并经过多轮专家审核与质量控制，确保标注的一致性与准确性。此外，数据集还标注了火灾、洪水等环境因子，增强了数据的多维信息价值。

特点

xBD数据集在灾害评估领域具有显著特点。其规模宏大，涵盖超过85万栋建筑标注，影像覆盖面积达4.5万平方公里，是目前最大的建筑损毁评估数据集。数据集包含多种灾害类型，如飓风、地震、海啸和野火等，地理分布广泛，增强了模型的泛化能力。标注采用精细的四级联合损毁等级，从“无损伤”到“完全损毁”，突破了传统二分类的局限。数据集中包含大量负样本影像，即无损伤或未受影响区域，有助于模型区分不同损伤程度。影像分辨率高，地面采样距离低于0.8米，为细微损伤识别提供了清晰视觉线索。

使用方法

xBD数据集主要用于支持计算机视觉算法在灾害评估中的研发与应用。研究人员可将其用于训练和验证建筑损伤检测与分类模型，特别适用于变化检测和损伤等级预测任务。数据集已按80/10/10的比例划分为训练集、测试集和保留集，便于模型开发与评估。使用时可结合基线模型架构，如改进的U-Net进行建筑定位，以及融合ResNet50的序数分类网络进行损伤等级判定。数据集支持端到端流程：从预处理影像对，提取建筑多边形，到预测损伤等级。此外，环境因子标注可用于多任务学习，提升模型对灾害场景的理解。该数据集也是xView 2挑战赛的核心资源，推动高效、自动化灾害评估算法的发展。

背景与挑战

背景概述

在自然灾害响应与人道主义援助领域，快速准确地评估建筑物损毁程度对于资源调配与救援行动至关重要。传统的地面评估方式不仅耗时且充满风险，而卫星遥感技术的兴起为远程自动化损毁评估提供了可能。xBD数据集由卡内基梅隆大学、软件工程研究所、国防创新单元及CrowdAI等机构于2019年联合创建，旨在通过大规模多灾害类型的卫星影像数据，推动计算机视觉在建筑物损毁检测与变化识别方面的研究。该数据集覆盖全球19起自然灾害事件，包含超过85万栋建筑物的多边形标注与四级损毁标签，影像总面积达4.5万平方公里，成为当前规模最大的建筑物损毁评估数据集，为灾害响应模型的开发与优化奠定了坚实基础。

当前挑战

xBD数据集所针对的建筑物损毁评估任务面临多重挑战：其一，不同灾害类型导致的损毁模式差异显著，如洪水与地震对建筑结构的破坏特征迥异，要求模型具备强大的跨灾害泛化能力；其二，损毁等级的视觉区分度往往细微，尤其是“轻度损毁”与“重度损毁”之间的边界模糊，对模型的感知精度提出极高要求。在数据构建过程中，挑战同样突出：卫星影像存在云层遮挡、传感器差异导致的像素偏移等问题，需通过复杂的重投影与像素校正技术保障数据对齐；同时，标注过程需协调多领域专家，建立统一的联合损毁标度，以平衡标注效率与语义一致性，而全球建筑类型与地理环境的多样性进一步增加了标注的复杂度与质量控制难度。

常用场景

经典使用场景

在自然灾害响应与灾后评估领域，xBD数据集为计算机视觉算法提供了关键支持，其经典应用场景集中于建筑物损伤的自动化检测与分类。通过整合灾前与灾后高分辨率卫星影像，该数据集使研究人员能够训练深度学习模型，以识别建筑物在不同灾害事件中的损伤程度，从而辅助人道主义援助与灾害恢复工作。这种应用不仅提升了损伤评估的效率和覆盖范围，还减少了人工实地勘查的风险，为灾害响应机构提供了可靠的远程分析工具。

解决学术问题

xBD数据集解决了遥感与计算机视觉交叉领域的多个核心学术问题，包括多灾害类型下的建筑物损伤统一评估、高分辨率影像中的细粒度损伤分类以及大规模标注数据的稀缺性。通过引入联合损伤尺度，该数据集克服了传统方法中因灾害类型和评估标准不一致而导致的模型泛化能力不足问题。此外，其丰富的环境因素标注为研究损伤与灾害环境关联性提供了数据基础，推动了灾害响应算法的鲁棒性和可解释性发展。

衍生相关工作

xBD数据集催生了多项经典研究工作，其中最突出的是xView 2挑战赛，该赛事吸引了全球研究团队开发先进的建筑物损伤评估模型。衍生工作包括基于U-Net和ResNet的混合架构优化、序数交叉熵损失函数的设计以及多任务学习框架的探索。这些研究不仅提升了损伤分类的准确性，还推动了遥感影像分析领域的技术创新，为后续数据集如Sen1Floods11和DynamicEarthNet的构建提供了方法论参考。